MiDiGap: La asombrosa eficacia de los procesos gaussianos discretos
MiDiGap aprende políticas robóticas desde solo 5 demostraciones con cámara. Logra evitar obstáculos, transferir entre robots y mejorar éxito un 76% en RLBench.
#manipulación robótica
VLAJS: Inicio Rápido con Modelos Visión-Lenguaje-Acción
VLAJS mejora la eficiencia del aprendizaje por refuerzo en robótica combinando guía de modelos Visión-Lenguaje-Acción. Reduce interacciones en más del 50% en tareas complejas.
PAWS: Aprendizaje de Preferencias con Segmentos Ponderados por Ventaja
PAWS alinea entrenamiento e inferencia en aprendizaje por preferencias usando segmentos ponderados por ventaja. Mejora políticas.
Fourier Features para aprendizaje por imitación de alta precisión
Descubre cómo las Fourier Features mejoran la precisión en aprendizaje por imitación para robótica. Resultados en benchmarks y robots reales. ¡Lee más!
Aprendizaje de manipulación de objetos con interacción contrastiva
Descubre cómo IWR mejora la manipulación robótica con aprendizaje contrastivo, aumentando eficiencia y logrando un agente real de air hockey.
TacCoRL: Integración de retroalimentación táctil en VLA mediante simulación
Descubre cómo TacCoRL integra retroalimentación táctil en modelos VLA mediante simulación y RL, logrando un 72.5% de éxito en tareas bimanuales. ¡Lee más!
AGRA: Alineación de representaciones en modelos de acción mundial
¿Problemas de precisión en robótica? AGRA alinea representaciones visuales con acciones, mejorando localización y robustez. ¡Descubre cómo!
LIBERO-Occ: Evaluación y mejora de modelos VLA bajo oclusión escénica
Los modelos VLA se degradan con oclusión. LIBERO-Occ los evalúa y propone Imaginación de Perspectiva (VIM) para mejorar. ¡Conoce el benchmark!
Aprendizaje de Manipulación Robótica desde Demostraciones Humanas
Descubre cómo aprender manipulación robótica diestra desde videos humanos, logrando 75% de éxito sin demostraciones robóticas. Innovación en IA.
Navegación y manipulación robótica con simuladores físicos en la era IA corporal
Descubre cómo los simuladores físicos superan la brecha sim-real en navegación y manipulación robótica. Análisis de plataformas, métricas y IA corpórea.
Orquestación de políticas robóticas: estudio sistemático agentes VLA jerárquicos
Descubre principios clave para sistemas VLA jerárquicos eficientes en robótica. Estudio optimiza orquestación de políticas para robots reales.
Tu modelo ya lo sabe: filtro de seguridad con atención para VLA
Aprovecha la atención interna de los modelos VLA para filtrar obstáculos en tiempo real. Sin entrenamiento extra.
PACT: Autoalineación de Seguridad Física para Políticas de Difusión en Robots
Descubre cómo PACT reduce violaciones de seguridad en un 31% y mejora el éxito de tareas en un 30.7% en robots, sin necesidad de datos de demostración.
GEAR-VLA: Aprendizaje de representaciones geométricas para manipulación robótica
Descubre GEAR-VLA, el marco VLA que logra un 90% de éxito en agarre universal con objetos no vistos. Representaciones geométricas unificadas para robots.
RL para Políticas de Flow-Matching con Transporte de Densidad
RLDT: algoritmo RL con transporte de densidad y gradiente variacional para mejorar políticas de flujo, superando a métodos previos en control continuo.
Política de Difusión Latente en Manipulación Robótica
Descubre Latent Diffusion Policy (LDP), un marco de dos etapas que simplifica la generación de trayectorias robóticas mediante flujo de matching en un espacio l
Evaluación de modelos VLA en SO-101: Fallos y recuperación
Evaluamos modelos VLA en robots de bajo costo con el benchmark SO-101: fallos, recuperación y robustez. ¡Descubre los resultados!
AEGIS: Un Reflejo de Respaldo para IA Física
AEGIS detecta fallos en robots antes de que ocurran y activa una política más fuerte solo en pasos críticos. Ahorra recursos y mejora el éxito.
ViVa: Modelo generativo de video para aprendizaje por refuerzo en robots
ViVa usa video generativo para predecir el futuro del robot y evaluar el progreso, logrando un 80% de éxito en manipulación robótica.
SERNF: Ajuste eficiente de políticas diestras con flujos normalizantes
SERNF: ajuste fino eficiente de políticas diestras en robótica real. Usa flujos normalizantes y críticos por bloques para adaptación estable con pocas muestras.